Am 27. Januar 2026 veröffentlichte DeepSeek DeepSeek-OCR 2 auf HuggingFace und GitHub, begleitet von einem umfassenden Forschungspapier.
Dieses neue Modell stellt einen wichtigen Durchbruch in der Dokumentenverarbeitung dar und führt Visual Causal Flow ein - eine Technologie, die es dem Modell ermöglicht, visuelle Tokens dynamisch auf Basis des Inhalts neu anzuordnen, statt einem festen Scanmuster zu folgen. Im Gegensatz zum ursprünglichen DeepSeek-OCR, das sich auf visuelle Kompression konzentrierte, verfolgt OCR 2 einen anderen Ansatz: Es ermöglicht dem Modell, Dokumente eher so zu verstehen und zu verarbeiten, wie Menschen es tun.
Die Veröffentlichung hat große Aufmerksamkeit erregt, da sie deutliche Verbesserungen bei Genauigkeit, Verständnis der Lesereihenfolge und Zuverlässigkeit im Produktiveinsatz zeigt.
1. Was ist OCR: Definition und traditionelle Einschränkungen
Optical Character Recognition (OCR) wandelt Bilder von Text in maschinenlesbaren Text um. Traditionelle OCR-Systeme und frühe Vision-Language Models (VLMs) verlassen sich auf eine feste Raster-Scan-Verarbeitung - sie lesen Bilder von links nach rechts und von oben nach unten. Das widerspricht der Art, wie Menschen visuelle Informationen natürlich wahrnehmen. Dieser mechanische Ansatz war jahrzehntelang der Standard, ist aber grundlegend nicht auf semantisches Verständnis ausgerichtet.
Die starre Raster-Scan-Reihenfolge verursacht erhebliche Probleme bei der Verarbeitung komplexer Dokumentlayouts. Wenn ein VLM auf eine Tabelle mit mehreren Spalten trifft, verarbeitet es die Kopfzeile, springt dann zu Spalte 2 Zeile 1, dann zu Spalte 2 Zeile 2, bevor es schließlich zu den Zeilen in Spalte 1 zurückkehrt - dadurch entstehen unlogische Token-Sequenzen. Ebenso werden mehrspaltiger Text, Formeln mit erklärendem Zwischentext und gemischte Inhaltstypen in unnatürlichen Reihenfolgen gelesen, wodurch das Modell Informationsbeziehungen falsch versteht.
Das führt zu drei kritischen Fehlern: geringere Genauigkeit bei komplexen Dokumenten, falsche Interpretation der Lesereihenfolge (bei der zusammengehörige Informationen über die Sequenz verstreut sind) und höhere Fehlerraten in Produktionsumgebungen, einschließlich Textduplikation und Halluzination. Das grundlegende Problem ist, dass traditionelle VLMs den semantischen Informationsfluss nicht verstehen - sie folgen lediglich einem mechanischen Scanmuster.
2. Lösungen von DeepSeek-OCR 2
Visual Causal Flow: Die Kerninnovation
DeepSeek-OCR 2 führt ein revolutionäres Konzept namens Visual Causal Flow ein, das dem Modell die Fähigkeit gibt, visuelle Tokens dynamisch anhand von Bildinhalt und semantischen Beziehungen neu anzuordnen. Statt an einem festen Raster-Scan-Muster festzuhalten, versteht das Modell nun den logischen Informationsfluss innerhalb eines Dokuments und organisiert visuelle Tokens so um, dass sie dieser logischen Sequenz entsprechen. Das unterscheidet sich grundlegend von früheren Ansätzen - es ist nicht nur bessere Kompression oder intelligentere Merkmalsextraktion, sondern eine vollständige Neubewertung der Frage, wie visuelle Informationen für Sprachmodelle sequenziert werden sollten.
Die zentrale Erkenntnis ist, dass visuelles Verständnis kausal sein sollte: Das Modell sollte ableiten, welche visuellen Elemente logisch vor anderen stehen, ähnlich wie Menschen den Informationsfluss durch ein komplexes Dokument verfolgen. Beim Lesen einer Tabelle scannen Menschen nicht mechanisch von links nach rechts; sie verstehen, dass die Kopfzeile Kontext liefert, und lesen dann die Daten jeder Spalte der Reihe nach. DeepSeek-OCR 2 repliziert diesen Denkprozess.
DeepEncoder V2 ermöglicht Visual Causal Flow durch vier zentrale Innovationen:
Innovation 1: Kompakter LLM-Backbone
Der ursprüngliche DeepEncoder nutzte CLIP als visuellen Encoding-Backbone. DeepSeek-OCR 2 ersetzt CLIP durch Qwen2-0.5B, eine kompakte LLM-Architektur. Dadurch kann der Encoder Fähigkeiten zum Sprachverständnis nutzen und visuelle Inhalte semantisch analysieren. Die Verwendung eines Sprachmodells als visueller Encoder ermöglicht das Verständnis semantischer Beziehungen zwischen visuellen Elementen, nicht nur visueller Merkmale. Qwen2-0.5B bringt semantisches Verständnis und Recheneffizienz in ein ausgewogenes Verhältnis.
Innovation 2: Hybrider Attention-Mechanismus
Die Architektur nutzt Attention mit zwei Komponenten. Visuelle Tokens verwenden bidirektionale Attention (ViT-Stil), sodass jedes Token ohne Richtungseinschränkungen auf alle anderen achten kann. Das erfasst den vollständigen Bildkontext und entfernte Beziehungen. Gleichzeitig bearbeiten lernbare Query-Tokens kausale Flow-Abfragen, indem sie auf alle visuellen Tokens und vorherigen Queries achten, um eine logische Neuordnung vorzunehmen. Bidirektionale Attention übernimmt das Kontextverständnis, während kausale Attention die logische Sequenzierung übernimmt.
Innovation 3: Kaskadiertes kausales Schließen
Die zweistufige kaskadierte Struktur verändert, wie visuelle Informationen fließen. Der Encoder nutzt Query-Tokens, um eine semantische Neuordnung vorzunehmen und eine geordnete Sequenz zu erstellen, die den Inhaltsfluss des Dokuments respektiert. Der LLM-Decoder verarbeitet anschließend diese intelligent geordnete Sequenz. Beide Stufen arbeiten zusammen - der Decoder konzentriert sich auf das Verständnis des Inhalts, statt die Lesereihenfolge herauszufinden, was Effizienz und Genauigkeit verbessert.
Innovation 4: Intelligente Token-Kompression
Visuelle Tokens werden je nach Bildkomplexität im Bereich von 256-1.120 gehalten. Dadurch bleibt die Kompression hoch, während die Token-Budgets von Modellen wie Gemini 3 Pro eingehalten werden. Die Kompression opfert keine Qualität, weil Tokens intelligent neu angeordnet und semantisch priorisiert werden. Tabellenüberschriften erhalten mehr Tokens als dekorative Elemente; textreiche Bereiche erhalten mehr Tokens als Leerraum.
Leistungsverbesserungen
Die Innovationen liefern messbare Verbesserungen: 91,09% Genauigkeit auf OmniDocBench v1.5 (+3,73% gegenüber dem Original), die Edit-Distanz der Lesereihenfolge wurde von 0,085 auf 0,057 reduziert (32,9% Verbesserung), die Produktions-Duplizierungsrate sank von 6,25% auf 4,17% (33,3% Reduktion), und maximal 1.120 visuelle Tokens ermöglichen schnellere Inferenz und bessere Skalierbarkeit.
3. Einfluss und zukünftige Trends
Aktuelle Auswirkungen und Branchenanwendungen
DeepSeek-OCR 2 setzt einen neuen Standard für Dokumentverständnis in mehreren Branchen. Finanzinstitute können nun komplexe Finanzberichte, Rechnungen und Verträge mit deutlich höherer Genauigkeit verarbeiten. Kanzleien können Informationen aus mehrseitigen Dokumenten extrahieren und dabei die korrekte Lesereihenfolge bewahren. Akademische Einrichtungen können Forschungspapiere mit verbesserter Formel- und Abbildungserkennung analysieren. E-Commerce-Unternehmen können Produktinformationen aus unterschiedlichen Dokumentformaten zuverlässiger extrahieren.
Die Open-Source-Veröffentlichung demokratisiert den Zugang zu modernster OCR-Technologie und ermöglicht Start-ups und kleineren Organisationen den Aufbau anspruchsvoller Dokumentenverarbeitungs-Pipelines ohne massive F&E-Investitionen. Das hat erhebliche Auswirkungen auf Initiativen zur digitalen Transformation weltweit.
Zukünftige Richtungen und Forschungsimplikationen
DeepSeek hat ambitionierte Pläne für die zukünftige Entwicklung skizziert. Das Team beabsichtigt zu untersuchen, wie echtes 2D-Bildverständnis und 2D-Reasoning über einen kaskadierten Ansatz mit zwei 1D-Causal-Reasonern umgesetzt werden können. Diese Weiterentwicklung würde die Fähigkeit des Modells weiter verbessern, räumliche Beziehungen und komplexe visuelle Layouts zu verstehen, die gleichzeitiges horizontales und vertikales Schließen erfordern.
Über OCR hinaus hat das Konzept Visual Causal Flow breitere Implikationen für Vision-Language Models. Das Prinzip, visuelle Tokens dynamisch auf Basis semantischer Inhalte neu anzuordnen, könnte auf andere VLM-Aufgaben angewendet werden und potenziell die Leistung bei Dokumentverständnis, Visual Question Answering und Image Captioning verbessern. Dies stellt einen Paradigmenwechsel darin dar, wie VLMs visuelle Informationen verarbeiten sollten - weg von festen Scanmustern hin zu intelligenter, inhaltsbewusster Sequenzierung.
Neue Trends in Document AI
Der Erfolg von Visual Causal Flow wird wahrscheinlich ähnliche Ansätze in der breiteren KI-Community anregen. Wir können mehr Forschung zu semantikbewusster Token-Reihenfolge, hierarchischem Dokumentverständnis und kontextbewusster visueller Verarbeitung erwarten. Die Kombination von Sprachmodellen mit visuellem Verständnis wird zunehmend ausgefeilter, und DeepSeek-OCR 2 zeigt, dass architektonische Innovationen in der Token-Sequenzierung erhebliche Leistungsgewinne bringen können.
Ihr KI-Rezeptionist ist in Minuten live.
Skalieren Sie Ihren Empfang mit einer KI, die nie schläft. Solvea bearbeitet unbegrenzte Anfragen über mehrere Kanäle, bucht Termine automatisch in Ihren Kalender und verhindert rund um die Uhr verpasste Chancen.
4. Fazit
DeepSeek-OCR 2 stellt einen grundlegenden Paradigmenwechsel darin dar, wie Maschinen visuelle Informationen verstehen. Durch die Einführung von Visual Causal Flow und der innovativen DeepEncoder V2-Architektur adressiert das Modell zentrale Einschränkungen traditioneller Ansätze, die seit Jahrzehnten bestehen. Die Kombination aus höherer Genauigkeit (91,09%), verbessertem Verständnis der Lesereihenfolge (32,9% besser), erhöhter Produktionszuverlässigkeit (33,3% weniger Duplikationen) und außergewöhnlicher Effizienz (maximal 1.120 Tokens) macht es zu einer transformativen Lösung für die Dokumentenverarbeitung.
Die architektonischen Innovationen - kompakter LLM-Backbone, hybrider Attention-Mechanismus, kaskadiertes Schließen und intelligente Kompression - wirken zusammen, damit das Modell Dokumente so verarbeiten kann, wie Menschen es tun: Es versteht den semantischen Fluss, statt mechanischen Scanmustern zu folgen. Durch die Open-Source-Verfügbarkeit auf HuggingFace und GitHub sind diese Fortschritte der globalen Community sofort zugänglich. DeepSeek-OCR 2 ist nicht nur eine inkrementelle Verbesserung gegenüber früheren OCR-Systemen - es steht für eine neue Ära des Dokumentverständnisses, in der Maschinen visuelle Informationen mit menschenähnlichem semantischem Bewusstsein analysieren können.
